Wide-area based traffic situation detection at an ungated level crossing
Notice bibliographique
Résumé
The automated detection of atypical and critical traffic situations is essentially important to help to understand driver behaviour, to find functional correlations between traffic conflicts and real accidents, and eventually, to prevent, particularly severe accidents.In this paper, a tool chain is introduced that enables fully automated traffic situation detection in wide-area traffic on the basis of a single camera.The tool chain takes into account novel powerful methods for object detection, classification and tracking on the basis of robust regression with preconditioning.Moreover, the tool chain considers methods for traffic situation detection and classification on the basis of probabilistic approaches and eventually, traffic event recording.The approach was tested at an ungated level crossing in the small town Bienrode, which is a district of Brunswick, Germany.It is shown that atypical situations, e.g.overtaking, braking, stopping, inadequate speeds, and accelerations, as well as critical situations, e.g.tailgating, can be detected within a range of up to 120 m distance of the camera automatically.The approach enables new ways of analysing traffic areas with regard to traffic safety and performance.The results shown in this paper were obtained in the project OptiSiLK, whose abbreviation means "Optimisation of the safety and the performance at intersections of different traffic modes".OptiSiLK was funded by the Ministry for Science and Culture of the State of Lower Saxony (MWK).Keywords: atypical and critical traffic situations, surrogate safety measures
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».